技术领域
[0001] 本申请涉及电网调度领域，具体涉及一种风机叶片覆冰厚度的长短时记忆校正预报方法、装置、存储介质及处理器。
相关背景技术
[0002] 随着风力发电技术的发展，风电场都处于海拔较高的山区，使得风机冻雨覆冰的频繁发生。然而，现有技术中，通常采用的是根据天气预报对风雨天气进行预测的方式，但此种方式无法准确地预测风机叶片的覆冰情况。
具体实施方式
[0045] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0046] 图1示意性示出了根据本申请实施例的一种用于络筒机的数据采集方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种风机叶片覆冰厚度的长短时记忆校正预报方法，包括以下步骤：
[0047] 步骤202，确定需要开展冻雨覆冰数值预报的待预报区域。
[0048] 步骤204，将待预报区域划分成等距离网格。
[0049] 步骤206，获取开展冻雨覆冰数值预测的初始场数据和边界条件数据，初始场数据是指数值预报模式开始积分时刻的各个网格点上的数据，边界条件数据是指数值预报模式的边界区域的数据。
[0050] 步骤208，按照待预报区域的网格对初始场数据和边界条件数据进行插值，以使初始场数据和边界条件数据的网格与待预报区域的网格一致。
[0051] 步骤210，将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式，以驱动数值模式向前积分，得到待预报区域中的风机叶片在未来预设时间点的第一冻雨覆冰数值。
[0052] 步骤212，将第一冻雨覆冰数值输入至长短时记忆神经网络。
[0053] 步骤214，获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0054] 冻雨覆冰是指具有较大粒径的过冷却水滴，在重力作用下，沉积在物体上，冻结成雨淞或混合淞。首先，可以确定出需要开展冻雨覆冰数值预报的区域，将其称之为待预报区域。然后，可以将待预报区域划分成等距离网格。如，选取开展冻雨覆冰预报的区域为湖南地区，湖南地区的具体经纬度范围为东经108°至东经114°，北纬24°至北纬31°，可以将该区域分成为3公里×3公里的等距离网格。进一步地，处理器可以获取到开展冻雨覆冰数值预测的初始场数据和边界条件数据。其中，初始场数据是指数值预报模式开始积分时刻(即)的各个网格点上的数据，边界条件数据是指数值预报模式所计算的区域的四周的网格点上的数据。按照待预报区域的网格对初始场数据和边界条件数据进行插值，插值是指在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点，具体地将获取各个网格的初始场数据写入到对应的各个网格中，以使初始场数据和边界条件数据的网格与待预报区域的网格一致。然后，可以将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式。数值模式是指利用计算机，应用地球流体动力方程和有关物理法则，对全球或区域的历史天气或未来天气进行再现或预测，以驱动数值模式向前积分，计算未来各个时刻的气象要素值，即得到待预报区域中的风机叶片在未来预设时间点的第一冻雨覆冰数值，将第一冻雨覆冰数值输入至长短时记忆神经网络。进一步地，可以获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0055] 在一个实施例中，长短时记忆神经网络包括多个，每个长短时记忆神经网络针对不同时间尺度的数据进行预测，时间尺度包括季节尺度、月尺度和日尺度中的至少一者。长短时记忆神经网络对季节尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来三个月待预报区域中的风机叶片的冻雨覆冰数值进行预测。长短时记忆神经网络对月尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来一个月待预报区域中的风机叶片的冻雨覆冰数值进行预测。长短时记忆神经网络对日尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对明天待预报区域中的风机叶片的冻雨覆冰数值进行预测。在得到可针对每个时间尺度的数据分别进行预测的长短时记忆神经网络之后，可以获取到每个长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值。按照每个长短时记忆神经网络的权重对多个第二冻雨覆冰数值加权求和，加权求和后得到第三冻雨覆冰数值，将第三冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0056] 在一个实施例中，在将长短时记忆神经网络投入至实际使用之前，可以先对长短时记忆神经网络进行训练。具体地，对长短时记忆神经网络的训练步骤包括：获取多个与不同时间尺度对应的历史冻雨覆冰数值，历史冻雨覆冰数值是历史时间段内通过将各个网格的初始场数据和边界条件数据输入至数值模式得到的历史预测数值。分别将各个网格的不同时间尺度的历史冻雨覆冰数值输入至不同的长短时记忆神经网络，得到可各个网格的针对每个时间尺度的数据分别进行预测的长短时记忆神经网络。具体地，在对长短时记忆神经网络训练时，长短时记忆神经网络的输入数据和输出数据如公式(1)所示：
[0057] Y＝Y(S,M,D,Y1,Y‑,Re) (1)；
[0058] 其中，Y为长短时记忆神经网络输出的风机叶片的冻雨覆冰预测数值，S为一年中的季节类型，M为月度标记，D为日期标记，Y1为数值模式下针对当前时刻的预测数据，Y‑为数值模式下针对前一时刻的预测数据，Re为长短时记忆神经网络输出的针对前一时刻的预测值。
[0059] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，长短时记忆神经网络包括遗忘门ft、记忆门it和输出门ot；其中，遗忘门决定了前一时刻的单元状态Ct‑1保留到当前时刻Ct的数量，计算公式如公式(2)所示：
[0060] ft＝σ(Wf*[ht‑1,Yt]+bf) (2)；
[0061] 其中，ft代表遗忘门的输出，σ代表sigmoid层，每一个数据都需要经过sigmoid函数，Wf代表权重矩阵，ht‑1是上一时刻的模块输出，[ht‑1,Yt]代表将两个矩阵拼接在一起，bf代表偏置。
[0062] 记忆门决定了针对当前输入Yt的单元状态 保留到当前时刻的单元状态Ct的数量，计算公式如公式(3)和公式(4)所示：
[0063] it＝σ(Wi*[ht‑1,Yt]+bi) (3)；
[0064]
[0065] 更新的细胞状态如公式(5)所示：
[0066]
[0067] 其中，it为输入门，Ct是当前时刻的细胞状态，Ct‑1是上一时刻的细胞状态， 当前输入的单元状态，决定哪些信息能够被加到细胞状态中。
[0068] 输出门的计算公式如公式(6)和(7)所示：
[0069] ot＝σ(Wo[ht‑1,Yt]+bo (6)；
[0070] ht＝[ot*tanh(Ct)] (7)；
[0071] 其中，ot是输出门，ht是当前时刻的模块输出。在一个实施例中，将与待预报
区域的网格一致的初始场数据和边界条件数据输入至数值模式包括：确定所需要进行预测的未来预设时间点；根据未来预设时间点确定针对与待预报区域的网格一致的初始场数据和边界条件数据的计算方法；按照计算方法设定的方式将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式。
[0072] 通过上述风机叶片覆冰厚度的长短时记忆校正预报方法、装置及处理器，通过确定需要开展冻雨覆冰数值预报的待预报区域；将待预报区域划分成等距离网格；获取开展冻雨覆冰数值预测的初始场数据和边界条件数据，初始场数据是指数值预报模式开始积分时刻的各个网格点上的数据，边界条件数据是指数值预报模式的边界区域的数据；按照待预报区域的网格对初始场数据和边界条件数据进行插值，以使初始场数据和边界条件数据的网格与待预报区域的网格一致；将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式，以驱动数值模式向前积分，得到待预报区域中的风机叶片在未来预设时间点的第一冻雨覆冰数值；将第一冻雨覆冰数值输入至长短时记忆神经网络；获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。通过上述技术方案，能够采用科学合理的方法指导电网企业优化发电调度降低冻雨覆冰，提升风机冻雨覆冰的数值预测准确率。
[0073] 在一个实施例中，如图2所示，提供了一种风机叶片覆冰厚度的长短时记忆校正预报装置，包括：
[0074] 区域选定模块201，用于确定需要开展冻雨覆冰数值预报的待预报区域。
[0075] 数据处理模块202，用于将待预报区域划分成等距离网格；获取开展冻雨覆冰数值预测的初始场数据和边界条件数据，初始场数据是指数值预报模式开始积分时刻的各个网格点上的数据，边界条件数据是指数值预报模式的边界区域的数据；按照待预报区域的网格对初始场数据和边界条件数据进行插值，以使初始场数据和边界条件数据的网格与待预报区域的网格一致。
[0076] 第一预测模块203，用于将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式，以驱动数值模式向前积分，得到待预报区域中的风机叶片在未来预设时间点的第一冻雨覆冰数值。
[0077] 第二预测模块204，用于将第一冻雨覆冰数值输入至长短时记忆神经网络；获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0078] 在一个实施例中，长短时记忆神经网络包括多个，每个长短时记忆神经网络针对不同时间尺度的数据进行预测。第二预测模块204还用于获取每个长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值；按照每个长短时记忆神经网络的权重对多个第二冻雨覆冰数值加权求和，以得到第三冻雨覆冰数值；将第三冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0079] 在一个实施例中，时间尺度包括季节尺度、月尺度和日尺度中的至少一者，其中，长短时记忆神经网络对季节尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来三个月待预报区域中的风机叶片的冻雨覆冰数值进行预测；长短时记忆神经网络对月尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来一个月待预报区域中的风机叶片的冻雨覆冰数值进行预测；长短时记忆神经网络对日尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对明天待预报区域中的风机叶片的冻雨覆冰数值进行预测。
[0080] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报装置200还包括训练模块(图中未示出)，用于获取多个与不同时间尺度对应的历史冻雨覆冰数值，历史冻雨覆冰数值是历史时间段内通过将初始场数据和边界条件数据输入至数值模式得到的历史预测数值；分别将不同时间尺度的历史冻雨覆冰数值输入至不同的长短时记忆神经网络，以得到可针对每个时间尺度的数据分别进行预测的长短时记忆神经网络。
[0081] 在一个实施例中，在对长短时记忆神经网络训练时，长短时记忆神经网络的输入数据和输出数据如公式(1)所示：
[0082] Y＝Y(S,M,D,Y1,Y‑,Re) (1)；
[0083] 其中，Y为长短时记忆神经网络输出的风机叶片的冻雨覆冰预测数值，S为一年中的季节类型，M为月度标记，D为日期标记，Y1为数值模式下针对当前时刻的预测数据，Y‑为数值模式下针对前一时刻的预测数据，Re为长短时记忆神经网络输出的针对前一时刻的预测值。
[0084] 在一个实施例中，第一预测模块203还用于确定所需要进行预测的未来预设时间点；根据未来预设时间点确定针对与待预报区域的网格一致的初始场数据和边界条件数据的参数化方案；按照参数化方案设定的方式将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式。
[0085] 本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述风机叶片覆冰厚度的长短时记忆校正预报方法。
[0086] 本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述一种风机叶片覆冰厚度的长短时记忆校正预报方法。
[0087] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种风机叶片覆冰厚度的长短时记忆校正预报方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0088] 本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0089] 本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定需要开展冻雨覆冰数值预报的待预报区域；将待预报区域划分成等距离网格；获取开展冻雨覆冰数值预测的初始场数据和边界条件数据，初始场数据是指数值预报模式开始积分时刻的各个网格点上的数据，边界条件数据是指数值预报模式的边界区域的数据；按照待预报区域的网格对初始场数据和边界条件数据进行插值，以使初始场数据和边界条件数据的网格与待预报区域的网格一致；将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式，以驱动数值模式向前积分，得到待预报区域中的风机叶片在未来预设时间点的第一冻雨覆冰数值；将第一冻雨覆冰数值输入至长短时记忆神经网络；获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0090] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，长短时记忆神经网络包括多个，每个长短时记忆神经网络针对不同时间尺度的数据进行预测；获取长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值，并将第二冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值包括：获取每个长短时记忆神经网络对第一冻雨覆冰数值进行校正后得到的第二冻雨覆冰数值；按照每个长短时记忆神经网络的权重对多个第二冻雨覆冰数值加权求和，以得到第三冻雨覆冰数值；将第三冻雨覆冰数值确定为在未来预设时间点待预报区域中的风机叶片的冻雨覆冰数值。
[0091] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，时间尺度包括季节尺度、月尺度和日尺度中的至少一者，其中，长短时记忆神经网络对季节尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来三个月待预报区域中的风机叶片的冻雨覆冰数值进行预测；长短时记忆神经网络对月尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对未来一个月待预报区域中的风机叶片的冻雨覆冰数值进行预测；长短时记忆神经网络对日尺度的数据进行预测是指，长短时记忆神经网络根据输入的数据对明天待预报区域中的风机叶片的冻雨覆冰数值进行预测。
[0092] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，方法还包括对长短时记忆神经网络的训练步骤，训练步骤包括：获取多个与不同时间尺度对应的历史冻雨覆冰数值，历史冻雨覆冰数值是历史时间段内通过将初始场数据和边界条件数据输入至数值模式得到的历史预测数值；分别将不同时间尺度的历史冻雨覆冰数值输入至不同的长短时记忆神经网络，以得到可针对每个时间尺度的数据分别进行预测的长短时记忆神经网络。
[0093] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，在对长短时记忆神经网络训练时，长短时记忆神经网络的输入数据和输出数据如公式(1)所示：
[0094] Y＝Y(S,M,D,Y1,Y‑,Re) (1)；
[0095] 其中，Y为长短时记忆神经网络输出的风机叶片的冻雨覆冰预测数值，S为一年中的季节类型，M为月度标记，D为日期标记，Y1为数值模式下针对当前时刻的预测数据，Y‑为数值模式下针对前一时刻的预测数据，Re为长短时记忆神经网络输出的针对前一时刻的预测值。
[0096] 在一个实施例中，风机叶片覆冰厚度的长短时记忆校正预报方法，将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式包括：确定所需要进行预测的未来预设时间点；根据未来预设时间点确定针对与待预报区域的网格一致的初始场数据和边界条件数据的参数化方案；按照参数化方案设定的方式将与待预报区域的网格一致的初始场数据和边界条件数据输入至数值模式。
[0097] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0098] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0099] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0100] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0101] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0102] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
[0103] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0104] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0105] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
